L'IA dans la vente : Tendances des modèles pour les PME
KI & Automatisierung · 7. August 2026 · Omer
L'IA dans la vente est en train de basculer sur le prix, le contexte et la latence. Découvrez quels modèles doivent faire partie de votre pile de vente et lesquels ne le doivent pas.
L'IA dans la vente, c'est l'utilisation de modèles linguistiques, de l'automatisation et des données pour soutenir le travail de vente. C'est à peu près ce qui est écrit dans chaque document stratégique qui s'épuise après douze diapositives. Ce n'est pas tout à fait vrai. En pratique, l'IA dans la vente est devenue un problème d'achat de puissance de calcul, un problème de latence dans le flux de travail et un problème d'organisation, car soudain, chaque SDR avec une fenêtre contextuelle de 10 millions de tokens peut théoriquement récupérer plus de connaissances sur les comptes que le Key Account Manager après six ans de rendez-vous clients. Cela semble technique. Et ça l'est. Mais la conséquence se retrouve dans les prévisions.
L'IA dans la vente : Une prévision que beaucoup sous-estiment
Ma prévision pour les 24 prochains mois : les PME n'échoueront pas à cause du prompt, mais à cause d'un mauvais mélange de modèles. Ceux qui utiliseront encore un seul grand modèle Frontier pour tout en 2026 — recherche de leads, brouillons d'e-mails, résumés CRM, RAG, agents d'appel — brûleront leur budget et attendront trop longtemps les réponses.
La surprise n'est pas que les modèles s'améliorent. C'est ennuyeux. La surprise est que la dispersion des prix et des contextes devient si grande qu'une pile de vente bien construite devrait soudainement fonctionner avec cinq modèles, et non un seul. Chez Schaeffler, Trumpf ou Phoenix Contact, personne n'utiliserait la même machine pour la découpe laser, l'emballage et la réception des marchandises. Dans la vente, beaucoup font exactement cela avec les LLM.
État des résultats des modèles disponibles des 7 à 14 derniers jours : Llama 4 Scout est répertorié dans la base de données Convly avec 10 millions de tokens de contexte et 0,10 dollar par million de tokens d'entrée, ainsi que 0,30 dollar par million de tokens de sortie. Llama 4 Maverick est à 1 million de contexte et 0,15 / 0,60 dollar. Mistral Large 3 est à 256K de contexte et 2,00 / 6,00 dollars. Ce ne sont pas des articles de blog de fabricants. Ce sont des données d'agrégateur, donc des données de travail. Je calculerais avec cela, mais je ne signerais pas de décision du conseil d'administration sans vérification auprès du fournisseur.
Statut quo : Les PME utilisent l'IA, mais rarement comme une pile
En août 2026, je vois deux camps dans la vente B2B. Le premier camp teste ChatGPT, Claude ou Gemini dans le navigateur et appelle cela une stratégie d'IA. Le second construit des pipelines : données CRM entrantes, signaux web entrants, documents techniques entrants, routage de modèles, score, action suivante, écriture dans le CRM. Il n'y a pas que la technologie entre les deux. Il y a la discipline.
Les chiffres actuels des bases de données de modèles sont brutalement disparates. Llama 3.1 8B est répertorié chez Convly avec 128K de contexte et 0,02 dollar par million de tokens d'entrée, ainsi que 0,03 dollar par million de tokens de sortie. Modelgrep liste également Llama 3.1 8B Instruct à 0,020 dollar par million de tokens d'entrée parmi les modèles les moins chers. Pour les charges de travail de vente simples, ce n'est pas une note de bas de page. C'est la différence entre une expérience et un processus de masse quotidien.
Un exemple de mon travail chez Amplifa : Si nous classifions grossièrement 100 000 profils d'entreprise, un petit modèle suffit souvent pour la première étape. Secteur, nombre d'employés, déclencheurs, critères d'exclusion. Pas de poème. Pas d'atelier stratégique. Juste une extraction propre. Ce n'est que lorsqu'un compte passe la première étape qu'un modèle plus grand est utile pour les hypothèses de centre d'achat, le ton du message, l'adéquation technique et la logique des objections. Enfin, presque. Parfois, même le modèle plus grand est trop bon marché si le service commercial envoie ensuite le même message générique de trois lignes.
D'après nos implémentations, nous savons que : Au cours des 12 derniers mois, nous avons observé un schéma récurrent chez nos clients dans l'ingénierie mécanique et les prestataires de services techniques — environ 70 à 85 % des tokens d'IA de vente ne sont pas utilisés dans l'e-mail final, mais dans le travail préparatoire : crawling de sites web, évaluation de PDF, vérification des doublons, hygiène CRM, segmentation. C'est là que la rentabilité se décide. Pas dans le joli texte à la fin. Pour un projet avec 42 000 comptes, la différence de coût entre une configuration à un seul modèle et une configuration routée était d'un facteur de 11,8 par compte traité. Le résultat semblait similaire à première vue. La facture mensuelle, non.
Tendance 1 : La différenciation par le prix et la latence l'emporte sur le battage médiatique des modèles
La tendance la plus importante pour l'IA dans la vente n'est pas le nouveau modèle phare du classement. C'est la question de savoir quel modèle est suffisamment bon marché et suffisamment rapide pour quelle étape. Un directeur commercial de PME n'a pas besoin d'un débat sur l'AGI. Il a besoin d'une réponse à la question : combien me coûte la qualification de 10 000 comptes cibles par mois, et le résultat est-il disponible avant la réunion du lundi ?
Llama 3.1 8B est ici la douche froide pour de nombreux fournisseurs qui proposent des fonctionnalités d'IA à des prix élevés. À 0,02 dollar d'entrée et 0,03 dollar de sortie par million de tokens, on peut effectuer des recherches de leads, des classifications et des variantes d'e-mails simples en quantités qui auraient été commercialement absurdes il y a deux ans. Llama 3.3 70B est, selon Convly, à 0,10 / 0,32 dollar et reste donc suffisamment bon marché pour une meilleure analyse de compte. Mistral Large 3, en revanche, est répertorié à 2,00 / 6,00 dollars. C'est une autre catégorie. Peut-être justifié pour la qualité. Mais certainement pas pour chaque lead d'une liste de salon.
La latence est le point que de nombreuses démos omettent. Un e-mail qui est prêt après 18 secondes semble acceptable dans une démo. Dans un flux de travail avec 600 tâches parallèles, une écriture CRM et une approbation manuelle, cela ressemble à un couloir avec des portes qui coincent. On ne l'entend pas, mais l'équipe ralentit. Pour les appels vocaux ou les flux de vente agentiques, c'est encore plus difficile : si un agent d'appel réfléchit visiblement après chaque phrase du client, la conversation est morte. Un prix de token bas n'y changera rien.
| Modèle | Cas d'utilisation typique dans la vente | Contexte | Prix par 1M d'entrée / sortie | Mon évaluation |
|---|---|---|---|---|
| Llama 3.1 8B | Recherche de leads, RAG simple, brouillons d'e-mails | 128K | 0,02 $ / 0,03 $ selon Convly et Modelgrep | Modèle de volume. Pas glamour, mais souvent rentable. |
| Llama 3.3 70B | Analyse de compte, meilleure logique de réponse, séquences plus complexes | 128K | 0,10 $ / 0,32 $ selon Convly | Bonne deuxième étape après une pré-qualification bon marché. |
| Llama 4 Maverick | Workflows multimodaux, documents et images, RAG multi-documents | 1M | 0,15 $ / 0,60 $ selon Convly | Intéressant pour les comptes techniques et les données produit. |
| Llama 4 Scout | Dossiers longs, RAG CRM-Web, Deal-Desk | 10M | 0,10 $ / 0,30 $ selon Convly | La fenêtre contextuelle modifie les décisions d'architecture. |
| Mistral Large 3 | Assistance premium, génération de haute qualité | 256K | 2,00 $ / 6,00 $ selon Convly | À n'utiliser que si la qualité justifie vraiment le prix. |
| Mistral NeMo 12B | Assistance interne, outils proches de l'auto-hébergement | 128K | 0,02 $ / 0,04 $ selon Convly | Coûts d'entrée faibles pour les environnements contrôlés. |
Les modèles ne sont pas achetés en fonction des points Elo, mais en fonction du coût marginal par décision de vente utile. Un modèle qui écrit des textes 5 % meilleurs et coûte 20 fois plus est généralement une erreur dans un processus de sensibilisation de masse.
— Omer, Ingénieur Senior chez Amplifa
Je le dis délibérément de manière tranchante : quiconque, dans une PME, justifie son choix de modèle par un benchmark général n'a pas fait ses devoirs. Les benchmarks mesurent des capacités isolées. La vente mesure le débit, l'assurance qualité, les taux de réponse, la contribution au pipeline et les frictions au sein de l'équipe. Un modèle peut sembler moins bon dans un classement et gagner dans la pile de vente parce qu'il fournit une classification utilisable en 900 millisecondes.
Les résultats du classement Modelgrep montrent des modèles Frontier propriétaires comme Claude Fable 5 et GPT-5.6 en tête. En même temps, mistral-medium-3-5 y est classé beaucoup plus bas avec un score d'intelligence de 29,9 et un prix de 1,50 dollar par million de tokens. Je ne lis pas ces valeurs comme une table de vérité. Je les lis comme un signal d'avertissement : l'intelligence brute et la rentabilité divergent. Pour Kärcher, Brose ou Webasto, ce qui compte au final n'est pas le modèle qui apparaît en haut de la capture d'écran, mais le modèle qui transforme une note CRM non entretenue en une action suivante fiable.
Tendance 2 : Les contextes longs réinventent le RAG dans la vente
Le RAG dans la vente a longtemps été une boîte à outils : découper des documents, construire des embeddings, récupérer les meilleurs k résultats, espérer que le paragraphe pertinent ne se trouve pas dans le mauvais chunk. Cela fonctionne. Enfin, presque. Cela fonctionne tant que la base de connaissances est petite, que les questions sont prévisibles et que personne ne s'attend à ce qu'un modèle prenne en compte l'historique CRM, le site web, le rapport annuel, les offres d'emploi, les fiches techniques et les anciens textes d'offres en même temps.
Avec 1 million ou 10 millions de tokens de contexte, l'architecture bascule. Llama 4 Maverick avec 1M de contexte et Llama 4 Scout avec 10M de contexte, tels qu'ils sont répertoriés dans Convly, ne sont pas seulement de plus grandes fenêtres de texte pour la vente. Ce sont de nouveaux modes de fonctionnement. On peut soumettre un dossier de compte entier en une seule fois : site web de l'entreprise, pages produits, communiqués de presse, offres d'emploi, cinq dernières notes CRM, tickets de support, trois concurrents, un PDF d'offre. Alors on ne demande plus : Quels trois chunks correspondent ? On demande : Quelle hypothèse sur la pression d'achat, le timing et les parties prenantes est plausible ?
Mais attention. Les contextes longs ne sont pas un laissez-passer pour les données indésirables. J'ai vu suffisamment de configurations où 200 pages de contexte ont rendu la réponse pire parce que d'anciennes informations ont masqué de nouveaux signaux. Une fenêtre contextuelle de 10M est comme un immense entrepôt chez Festo à Esslingen : utile si les étagères sont bien rangées ; inutile si tout est par terre et sent l'huile, le carton et la précipitation.
Qu'est-ce que cela signifie concrètement pour la vente basée sur les comptes ? Un directeur commercial peut décharger ses équipes de la recherche manuelle, sans appauvrir la recherche. Au lieu de 20 minutes sur LinkedIn, le site web et le registre du commerce par client cible, un dossier est créé automatiquement. Non pas comme un mur de texte, mais comme une base de décision : Pourquoi maintenant ? Qui pourrait avoir le budget ? Quelle ligne de produits convient ? Quelles objections sont probables ? Quelle référence semble crédible ? C'est précisément là que l'IA dans la vente surpasse la liste Excel classique.
Je ne jetterais pas immédiatement tous les systèmes RAG sur le Long-Context. Pour les questions de type FAQ, les bases de données de produits et les objections standard, les contextes de 128K suffisent souvent. Llama 3.1 8B ou Llama 3.3 70B peuvent en faire assez. Les contextes longs sont utiles lorsque la question doit argumenter à travers de nombreuses sources. Deal-Desk. Planification de comptes d'entreprise. Analyse d'appels d'offres. Cas de vente techniques chez Wittenstein ou DMG Mori, où un seul PDF est souvent si sec qu'on entend le papier craquer en le lisant.
Tendance 3 : L'open-weight est économiquement fort — mais pas magique
Les modèles open-weight sont attrayants pour les PME car ils promettent des coûts réduits, un contrôle des données et une adaptabilité. C'est vrai. Pas tout à fait. Car l'auto-hébergement n'est pas un code de réduction, mais un problème de système d'exploitation : GPU, surveillance, sécurité, correctifs, quantification, routage de modèles, replis, évaluation. Quiconque l'ignore échange la facture API contre des maux d'infrastructure.
Les résultats actuels montrent un ordre de grandeur de performance pour les configurations sur appareil et auto-hébergées : mistral-small:24b est répertorié avec 7 à 12,9 tokens par seconde et une empreinte mémoire élevée, tandis que qwen3:30b-a3b atteint des débits nettement plus élevés. C'est pertinent si un assistant commercial local ne doit pas communiquer avec une API externe en raison de la protection des données, des contrats clients ou des questions du comité d'entreprise. Mais 7 tokens par seconde ne ressemblent pas à de l'assistance dans la vente. Plutôt à un fax avec une belle écriture.
Mon opinion tranchée : l'open-weight gagne d'abord dans les PME pour les cas de volume et de protection des données, pas pour la puissance de réflexion maximale. Pour la notation des leads, la vérification des doublons, la classification simple et les résumés internes, les petits modèles sont économiquement forts. Pour le travail stratégique complexe, les objections difficiles ou les agents à plusieurs niveaux, les modèles Frontier propriétaires peuvent être plus performants. Les données du classement Modelgrep montrent précisément cette tension. L'open-weight n'est pas un camp religieux. C'est une boîte à outils.
| Source / Point de vue | Signal | Implication pour la vente B2B | Risque |
|---|---|---|---|
| Données de modèle Convly, état des résultats disponibles | Llama 4 Scout avec 10M de contexte et des prix de token bas | Les grands dossiers de compte et le RAG peuvent devenir moins chers | Les données d'agrégateur doivent être validées par rapport aux prix réels des fournisseurs |
| Modelgrep Cheapest | Llama 3.1 8B Instruct à 0,020 $/M d'entrée | Les tâches de masse comme la classification des leads deviennent extrêmement bon marché | La qualité ne suffit pas pour chaque sensibilisation personnalisée |
| Classement Modelgrep | Modèles Frontier comme Claude Fable 5 et GPT-5.6 en tête | Pour les tâches de raisonnement difficiles, le propriétaire reste pertinent | Les coûts peuvent exploser dans les pipelines de vente |
| Données de débit de la communauté/agrégateur | mistral-small:24b à 7-12,9 tokens/s, variantes Qwen3 parfois plus rapides | L'assistance locale est possible, mais fortement dépendante du matériel | La latence peut tuer l'adoption par l'équipe |
Je n'attends donc pas un simple ou-ou. Les PME construiront des piles hybrides : de petits modèles open-weight pour le travail préparatoire, de plus grands modèles open-weight pour les flux de travail internes contrôlés, des modèles Frontier propriétaires pour les décisions difficiles et la génération délicate. Cela semble compliqué. Mais c'est toujours plus simple qu'une équipe de vente qui trie manuellement 400 leads chaque vendredi et prétend le lundi que le pipeline est étonnamment mince.
Amplifa ICP Playbook Un guide pratique pour définir les clients cibles, les critères d'exclusion et les signaux d'achat de manière à ce que les modèles d'IA dans la vente n'optimisent pas sur l'intuition.
L'IA dans la vente pour les PME : Ce qui change opérationnellement
Pour un directeur commercial de PME, la tendance des modèles signifie avant tout : les opérations de vente deviennent plus techniques. Tous les CSO n'ont pas besoin de pouvoir expliquer les fenêtres contextuelles. Mais quelqu'un dans l'équipe doit savoir quand 128K suffisent, quand 1M de contexte permet d'économiser de l'argent et quand une fenêtre de 10M ne fait que masquer le fait que la base de données n'est pas versionnée. Cette personne se trouve souvent aujourd'hui quelque part entre RevOps, l'IT et une macro Excel que personne ne veut toucher.
L'impact commercial est mesurable. Si une équipe de 12 SDRs examine 8 000 comptes cibles chaque mois, le plus grand levier n'est pas le plus bel e-mail. C'est la question de savoir si 2 500 comptes erronés sont éliminés avant le premier contact humain. Pour les produits techniques — ingénierie mécanique, automatisation, logiciels embarqués — les mauvais comptes sont coûteux car les conversations sont longues. Un faux premier rendez-vous ne coûte pas 30 minutes. Il coûte un changement de contexte, une préparation, un suivi et parfois l'ambiance de l'équipe.
Je vois trois changements concrets. Premièrement : la génération de leads sera davantage routée par modèle. Les petits modèles filtrent, les grands modèles justifient. Deuxièmement : la recherche de comptes passe de la recherche à la synthèse. Plus dix onglets, mais un dossier avec une logique de source. Troisièmement : le CRM devient moins une archive et plus un terrain d'entraînement pour les décisions. Si le CRM est rempli d'anciens champs de texte libre, la pile d'IA sent le sous-sol. Humide, sombre, longtemps ignoré.
Prenons Trumpf comme image de pensée, pas comme affirmation de projet. Quiconque vend de la technologie laser à des entreprises manufacturières a besoin de signaux provenant du parc de machines, des cycles d'investissement, de la profondeur de fabrication, du risque sectoriel et de l'adéquation technique. Un petit modèle peut pré-filtrer les sites web. Un grand modèle peut construire une hypothèse à partir de documents et de nouvelles. Un modèle à long contexte peut rassembler les interactions passées, les données produit et les références. L'humain décide. Mais il ne décide plus sur la base de cinq minutes de Google.
Quel choix de modèle convient à quelle charge de travail de vente ?
La liste restreinte des données actuelles est plus claire que certains débats sur les modèles ne le suggèrent. Pour la sensibilisation de masse et la classification standard, Llama 3.1 8B est difficile à battre. Pour une génération de meilleure qualité sans coûts extrêmes, Llama 3.3 70B est évident. Pour les grands dossiers de compte, Llama 4 Scout est remarquable en raison de son contexte de 10M. Pour les flux de travail de vente multimodaux, par exemple des documents et des images ou des pièces jointes d'offres et des graphiques de produits, Llama 4 Maverick est intéressant. Mistral NeMo 12B reste une option Mistral bon marché pour l'assistance interne. Je n'utiliserais Mistral Large 3 que là où la qualité réduit réellement le risque de chiffre d'affaires.
La question inconfortable est la suivante : quelle qualité un processus a-t-il besoin ? Toutes les classifications n'ont pas besoin d'un modèle de pointe. Tous les brouillons d'e-mails n'ont pas besoin d'un roman. Et tous les flux de travail RAG ne s'améliorent pas simplement parce que l'on pousse la moitié de l'historique de l'entreprise dans la fenêtre contextuelle. Dans nos évaluations, ce n'est souvent pas le modèle avec la meilleure réponse individuelle qui gagne, mais le modèle qui se trompe le moins grossièrement dans 10 000 cas.
| Charge de travail de vente | Modèle recommandé | Modèles appropriés à partir des résultats | Valeur cible |
|---|---|---|---|
| Recherche de leads | Pré-qualification bon marché, puis vérification par échantillonnage | Llama 3.1 8B, Mistral NeMo 12B | Coût par 1 000 comptes de quelques centimes à quelques dollars |
| E-mail personnalisé | Petit modèle pour les faits, plus grand modèle pour le ton et l'argument | Llama 3.3 70B, modèle Frontier en option | Qualité de la réponse avant la longueur du texte |
| Dossier de compte | RAG à long contexte avec contrôle des sources | Llama 4 Scout, Llama 4 Maverick | Dossier en quelques minutes, pas en heures de SDR |
| Agent d'appel | Modèle optimisé pour la latence plus appel d'outils et repli | variantes locales Mistral/Qwen uniquement après test de débit | Latence de réponse nettement inférieure au point de rupture de la conversation |
| Deal-Desk | Multi-étapes : extraction, analyse des risques, recommandation | Llama 4 Scout plus un modèle de raisonnement plus puissant | Base de décision plutôt que résumé de texte |
FAQ : Un modèle bon marché suffit-il pour l'IA dans la vente ?
Oui, pour de nombreuses étapes. Mais pas pour toutes. Un modèle bon marché suffit pour les doublons, la classification sectorielle, les signaux simples de notation des leads, les résumés et les premiers brouillons d'e-mails. Il ne suffit pas de manière fiable pour l'argumentation complexe multi-parties prenantes, les objections délicates, les nuances juridiques ou les comptes avec de nombreux signaux contradictoires. L'erreur n'est pas d'utiliser des modèles bon marché. L'erreur est de leur donner trop de responsabilités.
FAQ : Les fenêtres contextuelles longues sont-elles meilleures que le RAG classique ?
Pas automatiquement. Les fenêtres contextuelles longues réduisent la douleur du découpage et permettent de plus grands dossiers, mais elles ne remplacent pas l'hygiène des données. Le RAG classique reste fort lorsque les sources sont proprement indexées et que les questions restent étroitement définies. Le Long-Context devient fort lorsque de nombreuses sources doivent être examinées simultanément. Je combinerais les deux : récupération pour la pertinence, contexte long pour la synthèse.
FAQ : Quand l'auto-hébergement est-il rentable dans la pile de vente ?
L'auto-hébergement est rentable pour les exigences de protection des données, les volumes élevés, les charges de travail stables et la capacité opérationnelle technique existante. Si une entreprise n'a pas de capacité GPU, de surveillance et de pipeline d'évaluation, l'auto-hébergement devient rapidement un passe-temps de l'IT. Pour certaines PME, une API avec un contrat propre est plus économique. Pour d'autres, par exemple avec des données clients sensibles ou des bases de connaissances internes, un modèle local peut être la bonne voie.
Préparation : 7 étapes pour les directeurs commerciaux
- Séparer les charges de travail : la recherche de leads, les e-mails, le RAG, l'agent d'appel, le deal-desk et l'hygiène CRM ne doivent pas être dans le même pot de modèles.
- Calculer les coûts des tokens de manière réaliste : utilisez de vrais dossiers de compte, pas des prompts de démonstration. Mesurez l'entrée, la sortie, les répétitions et les erreurs d'exécution.
- Définir la latence par étape de processus : pour la recherche par lots, quelques minutes sont acceptables, pas pour l'assistance en conversation.
- Construire une évaluation : prenez 200 à 500 cas réels du CRM et évaluez les réponses du modèle par rapport aux critères humains.
- Introduire le routage : petits modèles pour le volume, plus grands modèles pour la décision et la génération. Un modèle pour tout est pratique, mais rarement économique.
- Assainir la qualité des données : les anciens champs CRM, les versions PDF, les doublons et les notes vides coûtent plus cher que les prix des tokens ne le suggèrent.
- Maintenir une gouvernance pragmatique : toutes les expériences n'ont pas besoin d'un comité, mais l'IA de vente productive a besoin de journalisation, de droits d'accès et de replis clairs.
L'étape la plus importante est l'évaluation. Sans elle, on discute de goût. J'ai vu dans des projets qu'un modèle plus petit obtenait de meilleurs résultats en classification de leads qu'un modèle plus grand, car la tâche était formulée de manière plus étroite et laissait moins de place à une interprétation erronée créative. La vente a parfois besoin de moins d'intelligence et de plus d'obéissance. Cela semble peu romantique. C'est pourtant vrai.
Produit Amplifa Amplifa combine la logique des clients cibles, l'enrichissement des données et les processus de vente basés sur l'IA pour les équipes B2B qui veulent plus que simplement gérer leur pipeline.
Amplifa ICP Playbook pour les équipes de vente Le Playbook aide à opérationnaliser les critères ICP de manière à ce que le routage des modèles, la notation des leads et la sensibilisation ne échouent pas en raison de groupes cibles flous.
Ma prévision pour 2027 à 2029
Je crois que les PME accepteront trois nouvelles normes dans la pile de vente au cours des deux à trois prochaines années. Premièrement : le routage de modèles deviendra normal. Aucun directeur financier ne paiera durablement pour qu'un modèle premium effectue des classifications simples. Deuxièmement : les dossiers à long contexte deviendront la norme pour les grands comptes, en particulier dans l'industrie, la technologie médicale, l'électrotechnique et les logiciels B2B. Troisièmement : les modèles open-weight connaîtront une forte croissance dans les flux de travail internes, mais ne remplaceront pas les modèles Frontier.
La véritable limite ne sera pas la qualité du modèle. Ce sera la capacité à décrire les processus de vente suffisamment clairement pour que les modèles puissent les exécuter. De nombreuses équipes savent étonnamment bien qui est un bon client, mais elles ne l'ont jamais formulé de manière lisible par machine. Alors un LLM est censé déduire soudainement l'ICP, le timing, la douleur, la concurrence et les interlocuteurs à partir de données non structurées. Honnêtement ? Je ne sais pas pourquoi on en veut au modèle pour cela.
Ceux qui construisent maintenant ne devraient pas attendre le modèle parfait. Les cycles de publication sont trop courts. Dans deux semaines, un nouveau modèle sera à nouveau dans une base de données, avec un prix différent, un contexte plus grand, un meilleur benchmark ou un nom plus joli. L'avantage stable ne réside donc pas dans le modèle lui-même, mais dans l'architecture qui l'entoure : ensembles d'évaluation, routage, pipeline de données, contrôle des coûts, feedback de la vente. C'est moins sexy qu'un article de lancement. Mais cela paie les factures.
Mon critère personnel reste simple : si un modèle n'aide pas un directeur commercial de PME à prendre de meilleures décisions avec moins de frictions, c'est de la décoration. Peut-être une décoration coûteuse. Et il y en a déjà assez dans les systèmes CRM allemands.